本技术涉及目标检测，特别涉及一种模型训练方法及火灾检测方法。
背景技术：
1、随着工地项目数量的增多和工程规模的扩大，对工地安全管理能力提出了更高的要求。火灾检测在工地安全管理中尤为重要。
2、相关技术中，传统的火灾检测方法，如haar级联、支持向量机和简单的神经网络等，在工地这种复杂和动态环境中进行实时火灾检测任务时，需要手动设计特征提取器来识别图像中的火焰和烟雾，依赖显式编程的特征和规则，通常能在训练时所见的特定条件下表现良好。
3、然而，上述方法中的手工特征，如颜色、形状和纹理，对光照变化、遮挡和背景干扰非常敏感，容易在复杂的工地环境中出现误报或漏报的问题。再者由于依赖显式编程的特征和规则，通常只能在训练时所见的特定条件下表现良好，而在新的或未见过的环境条件，如不同材料燃烧的火焰、烟雾或复杂光照条件下，其性能通常会大幅下降，算法泛化能力有限，鲁棒性不足。
技术实现思路
1、鉴于此，本技术提供模型训练方法及火灾检测方法，在动态变化大、视线遮挡频繁、光照条件复杂及烟雾分布不均等复杂环境下提升火灾检测的准确性，减少误报率，以保障工地安全。
2、第一方面，本技术提供一种模型训练方法，所述方法包括：
3、获取样本火灾数据集、样本火灾标注数据集和yolov8改进模型，所述yolov8改进模型包括在特征提取部分的layer8和layer9之间增加的卷积层和残差层、c2f-mbc模块和在特征提取部分的sppf模块之前增加的空间注意力模块；
4、基于所述样本火灾数据集和所述样本火灾标注数据集，训练yolov8改进模型，得到目标火灾检测模型。
5、在一些实施例中，所述基于所述样本火灾数据集和所述样本火灾标注数据集，训练yolov8改进模型，得到目标火灾检测模型，包括：
6、基于所述样本火灾数据集和所述样本火灾标注数据集，训练yolov8改进模型，得到中间yolov8改进模型；
7、响应于所述中间yolov8改进模型的性能满足训练完成条件，将满足训练完成条件的中间yolov8改进模型作为所述目标火灾检测模型；响应于所述中间yolov8改进模型的性能未满足训练完成条件，调整所述中间yolov8改进模型的训练权重和训练参数，直至所述中间yolov8改进模型的性能满足训练完成条件，所述训练参数包括初始学习率、训练迭代次数和超参数中的一种或多种参数。
8、在一些实施例中，所述yolov8改进模型是在yolov8模型的基础上进行改进得到的模型，改进过程包括：
9、在特征提取部分的layer8和layer9之间增加卷积层和残差层；
10、在特征融合部分的layer10和layer19之间分别添加上采样层、连接层和c2f模块，并从c2f模块引出检测头；
11、用ese模块代替mbconv模块中的通道注意力，再将c2f模块中的cbs模块替换为改进后的mbconv模块，得到所述c2f-mbc模块，其中，改进后的mbconv模块包括升维卷积层、深度可分离卷积层、ese模块、降维卷积层和dropout层；
12、在特征提取部分的sppf模块之前增加的空间注意力模块。
13、在一些实施例中，所述训练完成条件为中间yolov8改进模型的精度、召回率、map50和map50-95连续50轮不上升。
14、在一些实施例中，所述基于所述样本火灾数据集和所述样本火灾标注数据集，训练yolov8改进模型，得到目标火灾检测模型，还包括：
15、基于所述样本火灾数据集和所述样本火灾标注数据集中的验证集对训练完成的中间yolov8改进模型进行验证，得到验证结果；
16、基于所述验证结果，改进所述中间yolov8改进模型的损失函数，得到改进后的损失函数。
17、在一些实施例中，根据如下公式，计算改进后的损失函数：
18、
19、lwiouv1＝rwiouvliou
20、
21、lwiouv3＝rlwiouv1
22、
23、其中，liou表示标准交并比损失函数，iou表示预测的火焰或烟雾的边界框和真实边界框的重叠部分的面积与真实边界框面积的比值，wi、hi分别表示预测的火焰或烟雾的边界框和真实边界框的重叠部分的宽度和高度，su表示真实边界框面积，lwiouv1表示第一中间改进损失函数，exp表示指数函数，(x，y)表示预测的火焰或烟雾的边界框的中心点坐标，(xgt，ygt)表示真实边界框的中心点坐标，wg和hg分别表示真实边界框的宽度和高度，lwiouv3表示改进后的损失函数，β表示离群度是iou的指数移动均值和简单均值的比值，用于描述锚框的质量，δ表示用于对损失函数的影响进行缩小的衰减因子，α表示用于调整损失函数对特定特征的敏感度的特性指标。
24、在一些实施例中，所述升维卷积层包括依次连接的1*1conv、第一bn和swish激活函数，所述深度可分离卷积层包括依次连接的k*kconv、第二bn和swish激活函数，所述降维卷积层包括依次连接的1*1conv和第三bn。
25、在一些实施例中，所述ese模块是基于se注意力模块改进得到的，包括依次连接的平均池化层，全连接层和sigmoid激活函数，用于实现通道特征重标定，增强表征能力。
26、在一些实施例中，所述获取样本火灾数据集和样本火灾标注数据集包括：
27、获取原始火灾数据集，其中，所述原始火灾数据集为工地及建筑火灾场景图片；
28、对原始火灾数据集进行数据清洗处理，得到第一清洗数据集；
29、根据哈希法对所述清洗数据集进行编码，得到与所述清洗数据集对应的数字指纹；
30、对所述数字指纹相同的清洗数据集中的图片进行去重处理，得到第二清洗数据集；
31、对所述第二清洗数据集中包含重复特征的图片进行去重处理，得到样本火灾数据集；
32、对所述样本火灾数据集中的火焰和烟雾进行标注，并将标签的标注格式由json格式转换成yolo支持的格式，得到样本火灾标注数据集，其中，每个标签包括目标类别、标注边界框的中心点坐标以及标注边界框的宽度。
33、第二方面，本技术提供了一种火灾检测方法，所述方法包括：
34、获取如第一方面所述的模型训练方法中的目标火灾检测模型；
35、将待测火灾数据集输入至所述目标火灾检测模型中，得到火灾检测结果，所述火灾检测结果包括目标类别、目标边界框位置、置信度和类别概率，目标类别包括火焰和烟雾。
36、本技术实施例提供的技术方案的有益效果至少包括：
37、本技术实施例提供了一种模型训练方法及火灾检测方法，该方法包括：首先，获取样本火灾数据集、样本火灾标注数据集和yolov8改进模型，yolov8改进模型包括在特征提取部分的layer8和layer9之间增加的卷积层和残差层、c2f-mbc模块和在特征提取部分的sppf模块之前增加的空间注意力模块，增加的卷积层和残差层可以使模型提取大目标的图像特征，从而获得更多的语义信息，提升大目标检测能力，c2f-mbc模块可以充分考虑特征图的通道特征，提升输入特征通道容量，降低模型参数量和计算量，并提取关键特征，空间注意力模块可以通过对特征图不同区域赋予不同的重要性，提升模型对空间位置的敏感度，让模型能够更聚焦于与火灾相关的特征，帮助模型区分背景噪声和实际的火灾迹象，从而减少误检；然后，基于样本火灾数据集和样本火灾标注数据集，训练yolov8改进模型，得到目标火灾检测模型。该方法在动态变化大、视线遮挡频繁、光照条件复杂及烟雾分布不均等复杂环境下提升火灾检测的准确性，减少误报率，以保障工地安全。
1.模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述样本火灾数据集和所述样本火灾标注数据集，训练yolov8改进模型，得到目标火灾检测模型，包括：
3.根据权利要求1所述的模型训练方法，其特征在于，所述yolov8改进模型是在yolov8模型的基础上进行改进得到的模型，改进过程包括：
4.根据权利要求2所述的模型训练方法，其特征在于，所述训练完成条件为中间yolov8改进模型的精度、召回率、map50和map50-95连续50轮不上升。
5.根据权利要求2所述的模型训练方法，其特征在于，所述基于所述样本火灾数据集和所述样本火灾标注数据集，训练yolov8改进模型，得到目标火灾检测模型，还包括：
6.根据权利要求5所述的模型训练方法，其特征在于，根据如下公式，计算改进后的损失函数：
7.根据权利要求3所述的模型训练方法，其特征在于，所述升维卷积层包括依次连接的1*1conv、第一bn和swish激活函数，所述深度可分离卷积层包括依次连接的k*kconv、第二bn和swish激活函数，所述降维卷积层包括依次连接的1*1conv和第三bn。
8.根据权利要求3或7所述的模型训练方法，其特征在于，所述ese模块是基于se注意力模块改进得到的，包括平均池化层、保持通道数不变的全连接层和sigmoid激活函数。
9.根据权利要求1-8中任一所述的模型训练方法，其特征在于，所述获取样本火灾数据集和样本火灾标注数据集包括：
10.火灾检测方法，其特征在于，所述方法包括：
